狄拉克δ回归：基于临床试验的条件密度估计
机器学习
2021-09-02 v2 机器学习
统计方法学
摘要
精准医疗旨在确定特定患者而非广大临床人群的因果治疗效应。大多数研究者通过对随机临床试验（RCT）的结果关于患者协变量进行回归来估计此类个性化治疗效应。然而，结果的实现值可能远离条件期望。因此我们引入一种称为狄拉克δ回归（DDR）的方法，从RCT数据中估计整个条件密度，以可视化所有可能结果值上的概率。DDR将结果转换为一组渐近狄拉克δ分布，然后使用非线性回归估计密度。该算法即使在不存在群体水平效应时也能识别患者特定结果的显著差异。此外，即使在小样本情形下，DDR在条件密度估计上也大幅优于最先进的算法。R包可在 https://github.com/ericstrobl/DDR 获取。
引用
@article{arxiv.1905.10330,
title = {Dirac Delta Regression: Conditional Density Estimation with Clinical Trials},
author = {Eric V. Strobl and Shyam Visweswaran},
journal= {arXiv preprint arXiv:1905.10330},
year = {2021}
}